Окупите вложения в ИИ
в срок от 1,5 - 3 лет
Приветствую! На связи Разработчик 1С и AI решений!
Я делаю, небольшое пока, шоу под названием "Отечественный Чип для развертывания нейросетей". Шоу, это микс работы с 1С по найму, пилотного запуска моделей LLM агентов для организаций на производимых и покупных ИИ ускорителях.Основная идея в том, чтобы желающие могли освободить ресурсы (время, средства), переложив работу на ИИ, который может работать внутри корп. контура, без запросов во вне: анализировать и управлять продажами, закупками, складом, казначейством, производством, ремонтами, производством, выполнять физические операции руками роботов, взаимодействовать с другими агентами и выполнять другие действия.
Так, что, не переключайтесь! Подписывайтесь, ставьте лайки и мы начинаем!
Для начала, по 1С, веб разработке, devops, ml, скажу, что для меня это база и опыт более 10 лет (скоро уже 15 лет будет). Так, что если хотите поддержать мой канал, ваши донаты присылайте в обмен на 1с внедрение, кодинг, консультации пользователей, развертывание AI моделей - это все далее по тексту.
Какое UTP ?
Получите 1С-ника, который делал: проекты с основными конфами, веб разработку, devops, внедрение "AI Агентов" для ваших бухгалтерии / производства / склада / обслуживания клиентов и бонусом пилотирование развертывания LLM на чипах своего производства за сумму от 50 000 рублей в месяц.
За успешный пилот - доля в стартапе ваша. (Для справки, на preseed за 10% 2 млн, в среднем.)
Если полетит - вашу долю можно продать по более высокой оценке.
Если не полетит - кэшбек 50% (Из суммы НДФЛ программа у sk).
В чем проблема, за которую берутся агенты?
✔️01. Проблема затрат компании на рутинные операции.
Выполнение однотипных действий требует времени и ресурсов: Контроль платежной дисциплины, Рассылка уведомлений, Оформление документов.
По данным исследований, среди сотрудников, рутинными называются операции, занимающие до 50% рабочего времени.
Одной из затрат времени сотрудников является проверка и перенос данных между уровнями данных.
Подробнее об уровнях данных:
- Уровень СУБД учетной системы.
На этом уровне ключевыми объектами являются записи в таблицах данных и выполняемые транзакции.
- Уровень бизнес — логики.
На этом уровне основными объектами являются процессы деятельности организации.
- Уровень сотрудников.
На данном уровне сотрудники преобразуют данные событий (звонков, писем в структурированные данные СУБД через ввод этих данных в формы интерфейсов), выполняют сверку данных.
✔️02. Проблема безопасности работы Агента
- Запросы во вне корпоративной сети и передача бизнес данных, создают риски утечки данных и снижают безопасность. Сегодняшние популярные LLM обрабатывают запросы, находясь вне контура компании.
- Предоставление доступа AI агентам на запись данных несет риски потери данных.
✔️03. Проблема высокой стоимости развертывания современных LLM
Например, крайние версии GLM моделей требуют наличия ресурсов для своей работ и выбор приобретать оборудование за десятки или сотни миллионов рублей или вовращаться к покупке токенов с передачей корп данных и т.п
По средним оценкам, стоимость железа для развертывания одной модели кратно увеличилась за год с 2025 года и составила десятки миллионов рублей.
Сценарий применения:
Выбор кейса:
Калькулятор окупаемости внедрения ИИ
Количество заменяемых сотрудников 0
Количество роботов 0
Рабочих дней в неделю 0
Рабочих смен в день 0
Количество месяцев 0
Инфляция в год, % 0
Решение - AI agent
Окей, а как это все поможет вам?
Контекст решения проблемы
Ключевое в предлагаемом решении — не убирать человека из процесса, а повысить эффективность его работы. Функции контроля и принятия ключевых решений остаются за человеком.
Как решали проблему раньше
С развитием информационных систем, сложился класс решений, предназначенный для учета и накопления данных о хозяйственной деятельности компаний в базах данных.
В дальнейшем, с развитием ИИ, появились чат-боты, которые частично снимали нагрузку на операторов, взяв на себя ответы на типовые вопросы.
Чат-бот в ответах на вопросы, пересказывает “знания модели” в предметной области, в которой была обучена модель. Долгое время основой строительства учетных систем являлись экранные формы, журналы документов, справочники.
Новый способ решения
Предлагаемым решением является мультиагентная система, интегрированная в процессы компании, работающая совместно с учетной системой, где Агент выбирает инструменты взаимодействия (это могут быть вызовы API), планирует ход решения задач (оркестрация решения задач) и проверяет результат с использованием большой языковой модели (LLM).
Типовые кейсы
К типовым кейсам, сегодня можно отнести OCR распознавание первичных и других документов, переписка с контрагентами в электронной почте.
Встраивание AI агента в процессы
Агент получает задачи в системе учета задач или по электронной почте. Далее, агенту требуется составить план выполнения задачи, использовать нужные инструменты, выполнить запросы к учетной системе и оценить результаты. Работа агентом может вестись циклично: выполнение, оценка, улучшение. Контроль агента возможен как в ограничении прав доступа только на чтение, так и в режиме расширенных прав на чтение и запись данных.
Как строить преимущество использования ИИ
Доступ к ИИ моделям сегодня не является достаточным преимуществом: на рынке представлены как открытые модели, так и модели, доступ к которым можно приобрести. Влияние на успех внедрения AI оказывает качество данных, последовательность в достижении намеченного результата, готовность к развитию процессов.
Развитие взаимодействия Агент - Агент
AI агент, получает возможности взаимодействия с другими агентами организаций: для этого разрабатываются специальные протоколы обнаружения агентов, схожие с обнаружением доменных имен сайтов на заре развития интернет.
По итогу, если вы в деле
Выбираем процесс, в котором планируем получить эффект от автоматизации. Например, Продажи / Закупки.
В контуре компании разворачиваем LLM, которая займется взаимодействием с потенциальными Поставщиками.
В зависимости от текущих потребностей, поддержание существующих систем 1С, веб, devops, так же может быть включено в рамки проекта:
Описание MVP
Базой для агента является современная LLM, которая дообучается на синтетических данных TEXT2SQL домена ERP.
За основу берется схема данных таблиц ERP системы с открытым доступом.
Сценарий работы агента
Пользователь задает вопросы:
“Какое состояние дел по подсистемам?»
«Как выполняется план?»
Агент получает запрос, на основе пройденного дообучения, дополнения контекста из корпоративной RAG системы и формирует sql запросы к корпоративной витрине данных. Витрина данных формируется из учетной системы по регламенту.
В своей работе агент следует существующим политикам.
Развитие агента включает дообучение и адаптацию политик под специфику бизнеса.
Как это работает
Для повышения точности text2sql, с целью нивелирования вероятностной природы модели, используется система dialog flow уточнения намерений пользователей, с возможностями разрешения двойственных толкований и уточняющих вопросов.
Схема данных является предопределенной, что позволяет формировать обучающие примеры двунаправленно.
Преимущество AutoML направлено на снижение уровня входа к работе с моделью и дальнейшим ее сопровождением.
Управление правами доступа пользователей разграничивает уровни доступа данных по имеющимся ролям.
Сбор статистики и контроль
Сбор статистики предусматривается на нескольких контрольных точках: запросы агента, рассуждения агента, вызов инструментов, расход токенов и др.
Кейсы
Как оценивать эффективность AI Агентов
Расчет окупаемости
Для расчета, выберем задачи процесса или годовой ФОТ сотрудников и запланируем, какой эффект будет если интегрировать AI агента в процесс.
По итогу, оцениваем рентабельность вложений в виде ROI.
Специализированные тесты ИИ моделей
Для оценки LLM модели управлять виртуальным вендинговым автоматом, создан тест оценки «Vending-Bench».
Данный тест предназначен для оценки способностей модели сохранять логику и мышление в течении эмулируемого года, конкурировать с другими бизнесами в виртуальной среде.
Устройство бизнес - симулятора
На старте модель получает капиталл, который может использовать для закупки товаров, арендной платы.
Ежедневно модели необходимо выполнять рутинные операции: отслеживать остатки товаров, управлять денежными потоками, формировать заказы поставщикам, управлять ассортиментом витрины, работать со складом.
В рамках симулятора происходят события непоставки товаров, банкротства поставщиков и жалобы покупателей.
LLM модель выстраивает отношения с конкурентами поблизости, ведет переговоры, анализирует цены конкурентов.
Оценка результатов работы модели выполняется по остатку денежных средств на счете.
Для кого:
Компании отраслей: Промышленность, Транспорт, Торговля, Образование,Horeca, Строительство, Склады и логистика, Развлечения
Преимущества решения
- Автономность агентов в решении задач
- Использование самоулучшений агента по мере работы
- Естественный язык - универсальный интерфейс взаимодействия, планирования и управления
- Контроль над передаваемыми данными для локальных LLM
- Новый слой взаимодействия бизнеса посредством Агентов
- Синтез данных для обучения LLM в концепции AutoML
Сроки внедрения
- Развертывание MVP, с учетом ваших процессов, от 3 мес.
Почему нужно выбрать меня
Более 10 лет опыта сопровождения и внедрения ИТ систем в торговых и промышленных компаниях России, с фокусом внимания на АI - трансформацию, позволяют мне выстраивать стратегию внедрения AI и успешно реализовывать проекты автоматизации.
Реализованные проекты
2012 Подрядная организация, УНФ
2013 Транспортная компания. 1С WMS, БП, ЗУП.
2013 Торговая компания, интеграция УТ 10.3, веб сайт
2014 Интеграция WMS и УПП.
2014 Внедрение 1С: УСЦ.
2014. Обслуживание и доработки УПП
2015. УТ 11
2015. Интеграция 1С УАТ
2015. Продукты питания, 1С ERP
2015 1С Поликлиника
2015 - 2018 Подрядная организация, УНФ
2018 - 2020 Продукты питания, УПП.
2019 1С УТ, Маркировка МДЛП
2020 1С УТ, Маркировка обувь
2021 - 2022 1С WMS, 1С ERP
2023-2026 Планирование производства, УТ , ERP
Какие технологии я использую
-1С Разработка: Cоповождение конфигураций: ERP, УПП, УТ, БП, ЗУП, WMS, WTS, SCM, CRM, и др.
Внедрение, сопровождение, доработка подсистем продаж, закупок, финансов,
склада, производства, торговое оборудование, интеграция сайты, интеграция др. системы, обмены и др.-Big Data \ High Load: Spark, Kafka, Airflow
-Frontend – developer: ReactJS, Redux/Resux, Saga/Redux Form, Typescript , HTML, XML , CSS, JS, jQuery, Adobe Photoshop
-Backend — developer: Nodejs, Express.js, Linux, ООП, Docker, MongoDB, Webpack, MySQL, Nginx, MSSQL, PostgresSQL, socket.io, Python, Golang, PHP
-Администрирование: VPN, PPTP, IPSec, SSH, Ethernet, Vlan, Apache, IIS, Squid, VMware ESXi
-Dev Ops: Docker, github, gitlab, bitbucket, CI/CD
-Мобильная разработка; flutter, mobx
-Битрикс: 1c-bitrix
-Vue: Vue, vue-cli, vue-router, vuex, nuxt, reactjs
-Product owner: CJM, UX/UI, CustDev, A/B testing
-Интернет маркетинг: РК Facebook, Instagram, Вконтакте. Стратегия, трафик, оптимизация РК. Анализ Яндекс.Метрика, Google analytics.
-Data Scientist / Data Analyst: Анализ \ Предсказание временных рядов, Computer Vision, Распознавание \ Синтез речи, Обработка естественного языка, Рекомендательные системы
Ключевые слова
Harness Engineer 1C Программист Gen AI ML NLP LLM RAG LangChain Архитектор Разработчик Математик
Какова моя роль
В проекте я занимаюсь всей технологической частью: от архитектуры AI систем до выбора технологического стека.
Основные задачи, которыми, занимаюсь:
Управление командой
Формирование команды (ML- инженеры, разработчики)
Определение стандартов качества кода, code review
Управление клиентскими проектами
Найм, адаптация, развитие специалистов
Разработка архитектуры AI-решений
Проектирование архитектуры, pipelines обработки данных
Оценка и приоритизация гипотез
Выбор подходов и технологий для реализации бизнес-задач
Определение стратегии
Управление инфраструктурой (MLOps)
Отслеживание трендов развития AI
Определение перспективных продуктов для оценки и развития.
Резюмируем
Если интересно обсудить, жду от вас письмо на почту web3scor@mail.ru сейчас и я пришлю вам бриф и шаблоны документов о сотрудничестве.
P.S. Пишите в комментах, что хотите сгрузить на своего AI Агента. Ставьте лайки, подписывайтесь.
Лучшие комменты будут взяты в разработку.
Зачем вам инвестировать в проект
Источник: Bloomberg.
Вы потенциальный покупатель чипов для ИИ, если рассматриваете внедрение ИИ в бизнес — процессы. Давайте посмотрим, крайние, на номент написания текста, сделки у Nwidia и оценим по аналогии, что даст вам инвестирование в проект:
За крайние месяцы, партнеры: Nvidia, OpenAI и AMD провели сделки, для которых деньги не выходят за пределы создаваемой экосистемы.
Как работает стратегия инвестиций Nvidia
01. Венчурное подразделение Nvidia вкладывает $500 млн в OpenAI. Поскольку OpenAI является покупателем чипов Nvidia, предполагается, что инвестиции могут быть потрачены на приобретение чипов. Иными словами, стратегия Nvidia на подобных сделках, по мнению аналитиков, в инвестировании в своих будущих клиентов.
02. Open AI закупает чипы у AMD
Open AI объявляет о закупке чипов на $1,2 млрд
03. AMD покупает GPU у Nvidia
Для производства MI300X закупает ускорители у Nvidia.
Напишите мне на почту web3scor@mail.ru сейчас и я пришлю вам бесплатный бриф, который поможет структурировать задачу и заложит основу дальнейших действий.
https://aicpu.ru
This template is made with ThemeWagon